- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05348031
Multimodal analys av strukturella röststörningar baserad på tal och stroboskopisk laryngoskopvideo
22 april 2022 uppdaterad av: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Denna studie avser att samla in kliniska data såsom strobarylaryngoskopbilder och vokalljuddata från patienter med strukturella röststörningar och friska individer, och att etablera en multimodal röststörningsdiagnossystemmodell genom att använda algoritmer för djupinlärning.
Multiklassificering av sjukdomar som orsakar röststörningar kan tillämpas på patienter med röststörningar men odiagnostiserade i klinisk praxis, vilket hjälper läkare att diagnostisera sjukdomar och minska feldiagnostik och missad diagnos.
Dessutom kan vissa patienter med röststörningar hanteras på distans genom ljuddiagnosmodellen och bättre uppföljning och behandlingsförslag kan ges till dem.
Röstterapi på distans kan lindra den nuvarande situationen med bristen på logopeder i avlägsna områden i vårt land och öka antalet patienter som behöver röstterapi.
möjlighet.
Röstterapi på distans är mer kostnadseffektiv, mer flexibel i tid och mer kostnadseffektiv.
Studieöversikt
Status
Har inte rekryterat ännu
Betingelser
Detaljerad beskrivning
- Detektering och klassificering av akustiska lesioner baserat på taldjupinlärning
- Detektering och klassificering av akustiska lesioner baserat på djupinlärning av bilder
- Detektering och klassificering av akustiska lesioner baserad på djupinlärning baserad på multimodalitet
Studietyp
Observationell
Inskrivning (Förväntat)
1
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: YueXin Cai
- Telefonnummer: 13825063663
- E-post: caiyx25@mail.sysu.edu.cn
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
20 år till 80 år (VUXEN, OLDER_ADULT)
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
I denna studie samlades 490 patienter med röststörningar (inklusive larynxcancer, larynxprecancerösa lesioner och benigna larynxlesioner) och 50 friska personer från stroboskopiska laryngoskopivideor och vokalljudinspelningar.
Kön, sjukdomsförlopp, VHI och andra kliniska data.
Beskrivning
Inklusionskriterier:
Larynxcancer, larynxprecancerösa lesioner, benigna larynxlesioner med röststörningar, friska personer utan halssjukdomar
Exklusions kriterier:
- En historia av larynxkirurgi
- Patienter med röststörningar orsakade av olika orsaker förutom larynxcancer, larynxprecancerösa lesioner och benigna larynxlesioner
- Ljudkvaliteten är inte tydlig, det stroboskopiska laryngoskopet visar inte tydligt det anatomiska området relaterat till glottisen, och det är underexponerat och blockerat;
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Machine deep learning klassificerar röststörningar
Tidsram: 6 maj 2022 - 30 december 2023
|
Noggrannhet
|
6 maj 2022 - 30 december 2023
|
Machine deep learning klassificerar röststörningar med multimodalitet
Tidsram: 1 januari 2024–30 december 2024
|
precision
|
1 januari 2024–30 december 2024
|
Machine djupinlärning klassificerar patologisk röstförändring i larynxcancer
Tidsram: 1 januari 2024–30 december 2025
|
precision
|
1 januari 2024–30 december 2025
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Machine deep learning klassificerar röststörningar med multimodalitet
Tidsram: 1 januari 2024–30 december 2025
|
återkallelse
|
1 januari 2024–30 december 2025
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Samarbetspartners
Utredare
- Studiestol: YueXin Cai, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
- Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11.
- Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15.
- .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
- Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19.
- Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
- Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4.
- Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5.
- Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Convolutional Neural Network Classifies Pathological Voice Change in Laryngeal Cancer with High Accuracy. J Clin Med. 2020 Oct 25;9(11):3415. doi: 10.3390/jcm9113415.
- Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Trans Biomed Eng. 2004 Feb;51(2):380-4. doi: 10.1109/TBME.2003.820386.
- Ren J, Jing X, Wang J, Ren X, Xu Y, Yang Q, Ma L, Sun Y, Xu W, Yang N, Zou J, Zheng Y, Chen M, Gan W, Xiang T, An J, Liu R, Lv C, Lin K, Zheng X, Lou F, Rao Y, Yang H, Liu K, Liu G, Lu T, Zheng X, Zhao Y. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique. Laryngoscope. 2020 Nov;130(11):E686-E693. doi: 10.1002/lary.28539. Epub 2020 Feb 18.
- Bainbridge KE, Roy N, Losonczy KG, Hoffman HJ, Cohen SM. Voice disorders and associated risk markers among young adults in the United States. Laryngoscope. 2017 Sep;127(9):2093-2099. doi: 10.1002/lary.26465. Epub 2016 Dec 23.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (FÖRVÄNTAT)
6 maj 2022
Primärt slutförande (FÖRVÄNTAT)
30 december 2025
Avslutad studie (FÖRVÄNTAT)
20 februari 2027
Studieregistreringsdatum
Först inskickad
19 april 2022
Först inskickad som uppfyllde QC-kriterierna
22 april 2022
Första postat (FAKTISK)
27 april 2022
Uppdateringar av studier
Senaste uppdatering publicerad (FAKTISK)
27 april 2022
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
22 april 2022
Senast verifierad
1 mars 2022
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- SYSEC-KY-KS-2022-040
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
OBESLUTSAM
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .
Kliniska prövningar på Röststörningar
-
University of Nove de JulhoOkänd
-
University of Kansas Medical CenterHar inte rekryterat ännuEsophagogastric Junction Disorder
-
Al-Azhar UniversityAvslutad
-
Assiut UniversityOkändTal Cortex Disorder
-
University Hospital, MontpellierAvslutadEustachian Tube DisorderFrankrike
-
Shanghai Jiao Tong University School of MedicineAvslutadTissue Expander DisorderKina
-
Alexandria UniversityAvslutad
-
Al-Azhar UniversityAvslutadTMJ Disc DisorderEgypten
-
Cairo UniversityRekryteringTMJ Disc DisorderEgypten